自全球进入工业时代以来,人类的生产与生活都对能源产生了越来越大的需求,这导致了传统化石能源的急剧消耗。随之产生了能源危机、温室效应以及生态环境恶化等问题。为消弭化石能源过度使用造成的影响,世界各国加速了对可再生清洁能源的开发,风能是其中一种重要的清洁能源。风力发电机组作为风力发电的主要设备,其安装容量逐年持续增加。但其所处恶劣环境导致事故频发。滚动轴承作为风力机组的关键部件,同时也是故障频发的部位。因此,有必要进行轴承的故障诊断研究。针对轴承故障诊断流程中特征提取和故障诊断两个关键环节进行研究。主要工作内容如下:(1)在分析了轴承故障诊断技术的发展历程的基础上,研究了特征提取算法以及故障诊断方法的研究现状。(2)研究了风力机组中轴承的结构以及轴承的主要故障形式,分析了轴承的故障机理以及轴承的故障特征。本文对实验数据的来源以及数据采集设备的参数作了简单描述,通过公式计算得到轴承在各类故障发生时的故障特征频率。(3)采用经验模态分解(EMD)算法结合奇异值分解(SVD)进行轴承信号的特征提取。针对经验模态分解的端点效应问题,提出改进的极值延拓算法来抑制端点效应,并通过对比实验,验证了提出算法的有效性。采用包络谱分析技术分析轴承的故障信号,观察到信号分解出的前四个本征模态分量(IMF)就包含了原信号绝大部分故障信息,因此只需对前四个IMF分量进行特征提取。最终通过改进算法成功提取出轴承信号的特征信息。(4)研究了模糊认知图的相关理论,针对其学习算法作出改进,提出了非均匀变异算子改进的蚁群算法,详细描述了改进算法的流程。通过对比实验验证了改进算法在学习模糊认知图上的优势。(5)研究了常用的分类算法,简单叙述了其优缺点。采用改进的学习算法学习构建模糊认知图分类模型,通过不同学习算法构建模糊认知图分类模型,在Iris数据集上进行对比实验,证明了本文改进学习算法所构造分类器的有效性和准确性。最后,采用本文改进算法构造的模糊认知图分类器进行轴承的故障分类诊断,能够准确的对轴承的故障类型进行分类,准确率达到99.17%。证明了该分类模型在故障诊断方面的有效性与准确性。